KR20210099690A - 오픈마켓 빅데이터 기반 ai 셀러 관리 시스템 및 방법 - Google Patents

Abstract

오픈마켓 빅데이터 기반 AI 셀러 관리 시스템 및 방법이 개시된다. 본 발명의 일 실시예에 따른 오픈마켓 빅데이터 기반 AI 셀러 관리 시스템은 오픈마켓 빅데이터를 활용하여 인공지능(AI)에 따른 셀러를 관리하는 시스템으로서, 오픈마켓 플랫폼에서 상품을 판매하는 셀러에 대해 상기 오픈마켓 빅데이터를 수집 및 분석하여 셀러 상품에 대한 노출 최적화 키워드를 추천하는 검색 노출 최적화 유닛; 상기 셀러 상품에 대한 주문현황을 대쉬보드 형태로 관리하는 주문현황 관리 유닛; 상기 오픈마켓 빅데이터의 수집 및 분석 결과에 기초하여 경쟁사 상품을 분석하고 트렌드 상품을 추천하는 상품 추천 유닛; 및 상기 셀러 상품에 대해 등록된 가격 비교 상품에 상응하는 최저가 가격 자동화를 수행하는 가격 관리 유닛 중 하나 이상을 포함할 수 있다.

Description

오픈마켓 빅데이터 기반 AI 셀러 관리 시스템 및 방법{Open market big data based AI seller managing system and method}

본 발명은 오픈마켓 빅데이터 기반 AI 셀러 관리 시스템 및 방법에 관한 것이다.

최근 이커머스 시장은 기존의 강력한 검색기반과 가격비교 수준에서 이미지 검색, 상품 태깅, 개인검색 이력기반 빅데이터 상품 추천 적용 등 소비자 중심의 단순검색 상품구매에서 AI 오픈마켓을 통해 인공지능이 소비자에게 개인 맞춤형 상품을 자동 추천해주는 패턴으로 변화하고 있다.

AI 오픈마켓 기술은 이용자의 소비 전단계 탐색, 구매 등의 다양한 검색이력 빅데이터를 기반으로 분석되며, 이용자의 검색 키워드와 상품의 소비패턴 데이터가 핵심 데이터이다. 이러한 개인 맞춤형 AI 오픈마켓 시장에서 큰 비용의 광고 집행을 통한 푸시형 상품 노출보다 AI 오픈마켓에 최적화되도록 판매상품을 관리하는 것이 중요하게 되었다.

검색 기반의 AI 오픈마켓에서 AI 시스템이 선호하는 AI 상품 최적화로 판매해야 상품 추천 및 검색에 많이 노출시킬 수 있다. 따라서, 창업초기 또는 광고비용이 부담되는 소상공인 판매자에게는 적용 비용으로 이용자에게 상품을 노출시키고 노출상품의 판매를 예측할 수 있게 하는 솔루션이 필요한 실정이다.

한국공개특허 제10-2018-0002944호 (2018.01.09. 공개) - 개인 선호별 최적의 상품 제안을 위한 빅데이터 추천시스템 및 추천방법

본 발명은 인공지능(AI) 기반의 오픈마켓에서 셀러 상품의 검색노출을 높여줄 수 있는 오픈마켓 빅데이터 기반 AI 셀러 관리 시스템 및 방법을 제공하기 위한 것이다.

본 발명은 상품/고객 주문현황을 요약하여 제공함으로써 한눈에 쉽게 파악되게 하고, 잘 팔릴 수 있는 인기트렌드 상품을 추천해주며, 가격비교 상품에 대해서는 최저가 관리를 수행해주는 오픈마켓 빅데이터 기반 AI 셀러 관리 시스템 및 방법을 제공하기 위한 것이다.

본 발명은 상품을 직접 소매판매하는 소상공인 판매자 용으로 SDK 작업이 필요없고, 판매상품을 일괄등록해 손쉽게 사용할 수 있으며, 최적화시킨 상품의 검색순위 추이를 제공해 검색 최적화를 모니터링할 수 있고, 순위추이 인사이트를 통해 상품별 재고관리 예측이 가능한 오픈마켓 빅데이터 기반 AI 키워드 추천 시스템 및 방법을 제공하기 위한 것이다.

본 발명의 이외의 목적들은 하기의 설명을 통해 쉽게 이해될 수 있을 것이다.

본 발명의 일 측면에 따르면, 오픈마켓 빅데이터를 활용하여 인공지능(AI)에 따른 셀러를 관리하는 시스템으로서, 오픈마켓 플랫폼에서 상품을 판매하는 셀러에 대해 상기 오픈마켓 빅데이터를 수집 및 분석하여 셀러 상품에 대한 노출 최적화 키워드를 추천하는 검색 노출 최적화 유닛; 상기 셀러 상품에 대한 주문현황을 대쉬보드 형태로 관리하는 주문현황 관리 유닛; 상기 오픈마켓 빅데이터의 수집 및 분석 결과에 기초하여 경쟁사 상품을 분석하고 트렌드 상품을 추천하는 상품 추천 유닛; 및 상기 셀러 상품에 대해 등록된 가격 비교 상품에 상응하는 최저가 가격 자동화를 수행하는 가격 관리 유닛 중 하나 이상을 포함하는 오픈마켓 빅데이터 기반 AI 셀러 관리 시스템이 제공된다.

상기 가격 관리 유닛은 상기 가격 비교 상품의 최저가를 주기적으로 모니터링하고, 최저가가 변동된 경우 상기 셀러가 설정한 가격 변동 단위에 따라 상기 셀러 상품의 가격을 자동 변경시킬 수 있다.

상기 상품 추천 유닛은 상기 경쟁사 상품을 모니터링하고 경쟁사가 판매중인 신상품 중 판매량이 상승 예상되는 상품을 상기 트랜드 상품으로 추천할 수 있다.

상기 검색 노출 최적화 유닛은 AI 키워드 추천 시스템을 포함하되, 상기 AI 키워드 추천 시스템은, 오픈마켓 플랫폼에서 쇼핑하는 고객에 대한 고객이동경로 상의 데이터를 수집하는 빅데이터 수집 엔진; 상기 빅데이터 수집 엔진에 의해 수집된 데이터를 분석하여 셀러 상품별로 키워드 분석을 수행하는 빅데이터 분석 모듈; 및 상기 키워드 분석 결과에 기초하여 셀러 상품별로 노출 최적화 키워드를 추천하는 고객 채널 모듈을 포함하고, 상기 빅데이터 분석 모듈은, 연관성 규칙 발견 알고리즘에 따른 데이터마이닝을 통해 상기 데이터를 분석하는 데이터마이닝부; 및 상기 데이터마이닝부에서의 분석 결과에 기초하여 기계학습을 통해 상기 셀러 상품별로 키워드 분석을 수행하는 학습 분석부를 포함하며, 상기 데이터마이닝부는 상기 데이터들이 저장된 트랜잭션 데이터베이스에 대해 최소 지지도를 설정하고, 상기 트랜잭션 데이터베이스를 스캔하면서 상기 최소 지지도 이상이 되는 항목들을 빈번 항목 집합으로 구하는 과정을 반복하여 연관도를 도출할 수 있다.

상기 데이터마이닝부는 상기 트랜잭션 데이터베이스를 스캔하면서 길이가 1인 제1 빈번 항목 집합을 구하고, 제k 빈번 항목 집합을 대상으로 자가 결합과 프루닝 과정을 통해 길이가 k+1인 제(k+1) 빈번 항목 집합을 구하는 과정을 더 이상 제(k+1) 빈번 항목 집합이 만들어지지 않을 때까지 반복하여, 상기 연관도를 도출할 수 있다.

상기 데이터마이닝부는 제1 내지 제k 빈번 항목 집합까지의 카운트 값에 기초하여 지지도, 신뢰도, 향상도 중 적어도 하나를 산출하여 상기 연관도를 도출할 수 있다.

상기 빅데이터 분석 모듈은 셀러 상품에 관한 이미지를 분류하고 객체를 판독하며 상기 객체에 대한 키워드를 도출하는 이미지 인지부를 더 포함하되, 상기 학습 분석부는 상기 이미지 인지부에서 도출한 키워드도 키워드 분석에 함께 활용할 수 있다.

상기 학습 분석부는 상기 셀러 상품에 대해 매칭된 태그 키워드를 기준 메타태그로 수집하며, 상기 기준 메타태그에 대해 연관 검색어, 자동완성 검색어, 쇼핑연관 검색어 중 적어도 하나를 확장 키워드로 도출하거나, 상기 셀러 상품이 속하는 제품 카테고리에서 상위 노출되는 상품 태그를 연관 키워드로 포함하거나, 관련 상품의 태그 키워드에서 검색 노출되고 있는 현재 제품의 키워드를 관련 제품 연관 키워드로 포함할 수 있다.

상기 고객 채널 모듈은 상기 키워드 분석 결과에 기초하여 셀러 상품의 노출빈도 및 검색랭킹을 트랙킹하고, 상기 셀러 상품에 설정되지 않은 신규의 키워드를 도출하여 상기 노출 최적화 키워드로 추천하는 키워드 추천부를 포함할 수 있다.

상기 키워드 추천부는 상기 셀러 상품이 상대적으로 높은 검색랭킹을 나타내도록 추천 키워드를 선별하여 상기 셀러 상품에 대해 자동 반영시킬 수 있다.

전술한 것 외의 다른 측면, 특징, 이점이 이하의 도면, 특허청구범위 및 발명의 상세한 설명으로부터 명확해질 것이다.

본 발명의 실시예에 따르면, 인공지능(AI) 기반의 오픈마켓에서 셀러 상품의 검색노출을 높여줄 수 있는 효과가 있다.

상품/고객 주문현황을 요약하여 제공함으로써 한눈에 쉽게 파악되게 하고, 잘 팔릴 수 있는 인기트렌드 상품을 추천해주며, 가격비교 상품에 대해서는 최저가 관리를 수행해주는 효과도 있다.

또한, 상품을 직접 소매판매하는 소상공인 판매자 용으로 SDK 작업이 필요없고, 판매상품을 일괄등록해 손쉽게 사용할 수 있으며, 최적화시킨 상품의 검색순위 추이를 제공해 검색 최적화를 모니터링할 수 있고, 순위추이 인사이트를 통해 상품별 재고관리 예측이 가능한 효과도 있다.

도 1은 본 발명의 일 실시예에 따른 오픈마켓 빅데이터 기반 AI 셀러 관리 시스템의 구성블록도,
도 2는 본 발명의 일 실시예에 따른 오픈마켓 빅데이터 기반 AI 셀러 관리 시스템 중 검색 노출 최적화 유닛에 포함되는 AI 키워드 추천 시스템의 구성블록도,
도 3는 빅데이터 수집 엔진의 구성블록도,
도 4은 빅데이터 수집 엔진에서 데이터 분산 저장을 위한 부분의 블록도,
도 5는 데이터 분산 저장을 위한 샤딩 구조를 나타낸 도면,
도 6는 데이터 분산 저장 구조를 나타낸 도면,
도 7은 본 발명의 일 실시예에 따른 오픈마켓 빅데이터 기반 AI 키워드 추천 방법의 순서도,
도 8은 키워드 추천 과정을 설명하기 위한 트랜잭션 데이터베이스 및 빈번 항목 집합들을 나타낸 표,
도 9 내지 도 11은 각각 셀러 상품 페이지, 상위 랭크된 검색 상품 정보, 이미지 인지 결과 화면을 나타낸 도면,
도 12 및 도 13은 주문현황 대쉬보드의 예시도,
도 14는 상품 추천 화면의 예시도,
도 15는 가격 관리 화면의 예시도.

본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세하게 설명하고자 한다. 그러나 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.

제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.

본 명세서에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

또한, 각 도면을 참조하여 설명하는 실시예의 구성 요소가 해당 실시예에만 제한적으로 적용되는 것은 아니며, 본 발명의 기술적 사상이 유지되는 범위 내에서 다른 실시예에 포함되도록 구현될 수 있으며, 또한 별도의 설명이 생략될지라도 복수의 실시예가 통합된 하나의 실시예로 다시 구현될 수도 있음은 당연하다.

또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일하거나 관련된 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.

또한, 명세서에 기재된 "…부", "…유닛", "…모듈", "…기" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.

도 1은 본 발명의 일 실시예에 따른 오픈마켓 빅데이터 기반 AI 셀러 관리 시스템의 구성블록도이다.

본 발명의 일 실시예에 따른 오픈마켓 빅데이터 기반 AI 셀러 관리 시스템(10)은 AI 기반의 오픈마켓 플랫폼에서 판매되는, 셀러의 상품을 해당 AI 엔진에 노출 최적화시켜 고객 유입을 증가시킬 수 있는 것을 특징으로 한다. 또한, AI 엔진에 상품을 최적화하는 작업을 거치면 상품 노출이 극대화되어 매출이 증가하고, 상품의 검색트렌드 랭킹추적으로 판매예측도 가능하다. 또한, AI 오픈마켓 검색노출로 판매하는 이커머스 상품을 상품별 키워드, 상품랭킹 트렌드 제공으로 매출 상승을 기대하고, 판매관리 인사이트를 제공할 수 있다.

도 1을 참조하면, 본 실시예에 따른 오픈마켓 빅데이터 기반 AI 셀러 관리 시스템(10)은 검색 노출 최적화 유닛(11), 주문현황 관리 유닛(12), 상품 추천 유닛(13), 가격 관리 유닛(14)을 포함할 수 있다.

검색 노출 최적화 유닛(11)은 오픈마켓 셀러가 판매하는 상품의 검색 노출을 높일 수 있는 키워드 추천 자동화가 수행될 수 있다. 또한, 검색 순위를 알려주고 상품을 추적할 수도 있다.

주문현황 관리 유닛(12)은 상품 및/또는 고객 주문현황을 요약한 주문현황 대쉬보드를 제공하여, 오픈마켓 셀러가 한눈에 쉽게 주문현황을 파악하게 할 수 있다.

상품 추천 유닛(13)은 검색트렌드에 기초하여 보다 잘 팔릴 수 있는 인기트렌드 상품을 추천하는 MD 서비스를 제공할 수 있다.

가격 관리 유닛(14)은 가격비교 상품에 대하여 비교대상이 되는 타 셀러의 상품의 가격을 모니터링하고 셀러의 설정에 따라 설정된 변동폭을 반영함으로써 최저가를 관리해 줄 수 있다.

이하에서는 각 구성요소에 대하여 관련 도면을 참조하여 보다 상세히 설명하기로 한다. 우선 검색 노출 최적화 유닛(10)에 포함되는 키워드 추천 시스템에 대하여 설명하기로 한다.

도 2는 본 발명의 일 실시예에 따른 오픈마켓 빅데이터 기반 AI 셀러 관리 시스템 중 검색 노출 최적화 유닛에 포함되는 AI 키워드 추천 시스템의 구성블록도이고, 도 3는 빅데이터 수집 엔진의 구성블록도이며, 도 4은 빅데이터 수집 엔진에서 데이터 분산 저장을 위한 부분의 블록도이며, 도 5는 데이터 분산 저장을 위한 샤딩 구조를 나타낸 도면이고, 도 6는 데이터 분산 저장 구조를 나타낸 도면이며, 도 7은 본 발명의 일 실시예에 따른 오픈마켓 빅데이터 기반 AI 키워드 추천 방법의 순서도이고, 도 8은 키워드 추천 과정을 설명하기 위한 트랜잭션 데이터베이스 및 빈번 항목 집합들을 나타낸 표이며, 도 9 내지 도 11은 각각 셀러 상품 페이지, 상위 랭크된 검색 상품 정보, 이미지 인지 결과 화면을 나타낸 도면이다.

기존 이커머스 솔루션 분야는 판매되는 상품관리와 주문관리, 고객관리를 통합적으로 관리하는 시스템 구현에 집중되어 있다. 서드 파티(3rd party) 이커머스 솔루션 제공사들은 고객활동(검색이력, 구매패턴 등)의 빅데이터가 없기 때문에, 이커머스 플랫폼에서 공식적으로 제공하는 API로 획득한 판매/주문/고객정보로 판매관리 효율화, 통합화 기능 구현만이 가능했다.

기존 이커머스 플랫폼에서 수집된 빅데이터를 효율적으로 저장, 관리하는 측면의 솔루션 분야에서 판매를 활성화하여 직접적으로 매출을 상승시킬 수 있는 판매 마케팅 분석 솔루션 분야로 시장 요구가 변화하고 있다. 주요 이커머스 플랫폼 제공사를 중심으로 자체적으로 수집된 고객활동의 검색, 구매패턴 등의 빅데이터를 기반으로 판매 활성화에 집중하는 데이터 마케팅 분석 기술이 성장하고 있다.

또한, 이커머스의 성장분야인 AI 오픈마켓은 플랫폼 제공사에서 자체적으로 뛰어난 판매관리 시스템을 제공하는 동시에, 셀러(판매자) 매출을 상승시켜 줄 수 있도록 하는 빅데이터 기반 판매 마케팅 분석 기능을 제공한다.

하지만, AI 오픈마켓은 매출이 높은 판매자 위주로 관리되는 동시에 소비자 측면의 마케팅 기능 구현에 집중되어 있어, 소상공인 판매자는 스스로 판매채널 플랫폼 기술에 최적화된 판매방식으로 마케팅해야 한다.

AI 키워드 추천 시스템(100)은 플랫폼 기반의 추천 시스템이 아닌 셀러 상품 기반의 추천 시스템으로, 오픈마켓에 임의의 상품을 판매하고자 하는 셀러를 서비스 이용자로 하여 셀러 상품을 검색 최적화시켜 플랫폼에 추천하는 것을 특징으로 한다. 오픈마켓을 주요 시장분야로 하며, 신규 고객에게 상품 노출에 따른 유입 증가를 유도한다. 이커머스 플랫폼에 따른 API/SDK 개발이 불필요하고, 상품 CSV 업로드를 통해 적용할 수 있다.

도 2를 참조하면, AI 키워드 추천 시스템(100)은 빅데이터 수집 엔진(110), 빅데이터 분석 모듈(120), 고객 채널 모듈(130)을 포함한다.

빅데이터 수집 엔진(110)은 오픈마켓 플랫폼에서 쇼핑하는 고객 구매활동과 검색이력 등 고객이동경로 상의 데이터들을 수집한다. 빅데이터 수집 엔진(110)은 고객의 쇼핑활동에 기반한 데이터 중 구매패턴 이력, 연관 검색상품 정보(사진, 상품정보 등), 연관검색어 등을 주기적으로 수집할 수 있다.

빅데이터 수집 엔진(110)은 메인 실행부(Execute Main), 기반부(Foundation), 처리부(Process), 요소부(Element)를 포함할 수 있다(도 3 참조)

Execute Main 부분은 ESSD(Ecommerce Shopping Scheduler Daemon) 시작 도입 부분이며, 상위 요소의 실행에 환경 설정, ESSD 요소에 필요한 API를 구성하는 역할 및 프로세스를 구동시키는 역할을 담당한다.

Execute Main 부는 XML 파서, DB 풀 매니저, 로그 컨트롤러, IPC 매니저, 프로세스 컨트롤러, 부하 환경 모듈 등을 포함한다. 주된 담당 기능으로는 환경변수 초기화 및 Process 구동, Community Server 구동, Schedule 구동 등의 기능을 포함하며, Process 결과에 대한 값을 기록 저장하는 기능을 포함한다. Foundation은 Execute Main에 의해 초기화 되며 상위 영역의 프로세스간 Interface(IPC Community, Socket Server) 부분과, 상위영역의 Utility API, 동작상태 등의 상세기록을 저장할 Log API 등의 상위 프로그램 구동 중 필요한 API를 포함한다. Foundation 부는 로그 모듈, IPC 커뮤니티 모듈, 유틸리티 모듈, 웹 드라이브 로더를 포함한다.

Process는 Execute Main에 의해 구동되며, 구동되는 숫자와 구동형태(1회성 또는 Daemon 형태의 독립적인 프로그램) 또한 Execute Main에 의해 결정된다. Process 부는 일주기 프로세스(One life cycle process) 모듈, 데몬 프로세스 모듈을 포함한다. Process는 상위 Element를 구동하고 그에 대한 결과값을 Execute Main에 전달 하는 기능을 담당한다. Element의 구동의 종류와 구동 타입 등의 선택은 Execute Main으로부터 전달 받으며, 통신은 Foundation 영역의 IPC Community를 통해 통신한다.

Element는 Web Crawler 엔진을 포함하며, Web Data Parser, 특정 Web 데이터 읽기 및 Web Input 자동화 기능이 포함된다. Element는 Process 에 의해 Web URL, 기능 Type, Parser에 대한 정보를 전달 받아서 구동되며, 결과에 해당한 Data를 Foundation 영역의 IPC Community를 통해 Process 영역에 전달한다.

Element Web Crawler 엔진의 종류는 Selenium + JSoup 으로 구성 되어 있으며, 각각의 라이브러리를 포함 하고 있다. Selenium Library를 사용하여 쇼핑몰의 특정 웹 화면의 정보를 수집하는 기능과, 웹 화면 안의 액션(Action) 기능을 가질 수 있다. 액션 기능은 웹 화면의 입력 라벨(Input Label), 버튼 클릭, 스크롤 이동 등의 기능을 수행할 수 있도록 웹브라우저 드라이버를 활용하여 매크로화될 수 있다. 크롤링 기능은 웹 화면에서 HTML 태그를 파싱하여 필요한 데이터를 추출하는 기능일 수 있다.

빅데이터 수집 엔진(110)이 실시간 또는 주기적으로 저장하는 데이터 용량은 대용량이기 때문에, 대용량 분산 데이터 저장 기술이 적용될 수 있다.

도 4을 참조하면, 빅데이터 수집 엔진(110)은 ESSD 서버(111), 데이터베이스 서버(112), 웹 서버(113)를 포함할 수 있다. 각 서버는 클라우드로 시스템이 구성될 수 있다.

ESSD 서버(111)는 배치 서버(Batch server)로서, ESSD 프로그램이 동작하는 서버이다. 쇼핑몰 사이트에서 쇼핑몰 사업자의 상품 정보, 상품 순위의 정보를 얻어 데이터베이스 서버(112)에 저장한다. 또한, 웹 서버(113)에서 ESSD 기능 요청 시 해당하는 데이터를 전달할 수 있다.

데이터베이스 서버(112)는 빅데이터를 저장하기 위한 데이터베이스(예를 들어, MongoDB)와, 쇼핑몰 사업자 정보, 사업자별 상품 설정 등을 저장하는 데이터베이스 관리부(예를 들어, MySQL)를 포함할 수 있다.

웹 서버(113)는 쇼핑몰 사업자에게 표시될 웹 서비스 서버이다. 상품 가격 비교, 상품의 순위, 방문자수, 키워드 적합도, 주문현황 등을 현시하는 내 상품 화면과, 쇼핑몰 판매자 관리를 위한 관리자 화면 등을 서비스로 구성할 수 있다.

도 5를 참조하면, 빅데이터 수집 엔진(110)에서는 대용량 데이터를 저장하기 위해 데이터베이스를 설정하고 샤딩(Sharding) 설정을 통해 데이터베이스를 추가 구성하게 할 수 있다.

빅데이터 저장을 위해 데이터베이스 서버(112)를 몽고DB의 샤딩 기능을 통해 구성될 수 있다. 도 6를 참조하면, 데이터 분산 저장 구조가 도시되어 있다. 설정 서버(Config server)는 3개의 클러스터로 셋팅하고, 몽고s(mongos) 서버와 메인 몽고d(mongod) 서버는 1대의 서버에 구성하며, 그 외 추가되는 서버는 신규서버로 구성할 수 있다. 그리고 추가 구성을 위한 셋팅을 미리 해 둘 수 있다.

다시 도 2를 참조하면, 빅데이터 분석 모듈(120)은 빅데이터 수집 엔진(110)에서 수집한 빅데이터를 분석한다.

빅데이터 분석 모듈(120)은 데이터마이닝부(121), 이미지 인지부(122), 학습 분석부(123)를 포함할 수 있다.

데이터마이닝부(121)에서는 데이터마이닝을 통해 빅데이터를 분석한다. 빅데이터의 분석에는 DCA, SLM, ARD 중 하나 이상의 분석 알고리즘이 적용될 수 있다.

DCA(Data Cluster Analysis, 데이터 클러스터 분석)는 빅데이터 수집 엔진(110)에 의해 수집된 데이터 안에서 알지 못하는 특성이 있는 경우 데이터 점들이 클러스터를 이루게 하는데, 이 데이터 특성들의 유사성을 기초로 그룹화하고(클러스터링) 다시 그룹내 분산 기반으로 그룹핑 데이터를 만드는 기법이다.

SLM(Single Linkage Method, 싱글 링키지 방법)은 두 데이터 간의 클러스터간 거리 중 최단거리에 상응하여 유사성이 높은 큰 클러스터로 묶어 나가는 방법이다.

ARD(Association Rule Discovery, 연관성 규칙 발견)는 쇼핑고객과 커머스 상품의 관계데이터 속에서 연관성 키워드를 발견해, 판매자 상품이 노출 최적화될 수 있는 추천 키워드를 추출해 내는 방법이다.

이미지 인지부(122)는 상품에 관련된 이미지를 분류하고, 객체를 판독한다. 그리고 이미지 속 객체들의 키워드를 도출해낸다. 이미지 인지부(122)는 외부에 마련될 수 있으며, 예를 들어 구글 클라우드가 제공하는 컴퓨터 비젼(computer vision)에 따른 이미지 인지 API(image recognition API)를 활용할 수도 있다.

학습 분석부(123)는 데이터마이닝부(121)와 이미지 인지부(122)에서 도출된 키워드를 기계학습을 통해 본 시스템의 이용자가 등록한 셀러 상품별로 키워드 분석을 수행한다. 그리고 이용자가 등록한 셀러 상품과 관련하여 이커머스 플랫폼(AI 오픈마켓)에서 고객들의 쇼핑검색 트렌드의 키워드별 검색랭킹을 추적 분석한다.

고객 채널 모듈(130)은 셀러 상품별 노출 최적화 키워드를 추천한다. 노출 최적화 키워드를 상품명 또는 상품태그에 반영하면 제품의 최적화 정도에 따라 일정 기간(1~3일) 경과 후 검색랭킹이 상승하고 방문자 유입이 증가할 수 있다.

이를 위해 고객 채널 모듈(130)은 키워드 추천부(131)를 포함할 수 있다.

빅데이터 수집 엔진(110)에 의해 오픈마켓 상품의 카테고리별, 상품별 인기 트렌드 키워드 및 각 트렌드 키워드별 검색연관 키워드를 1차 수집할 수 있다. 그리고 이용자가 등록한 상품 이미지에서 추출한 키워드와 상품설명 키워드, 상품태그 키워드를 기준으로 2차 수집할 수 있다. 1차 수집된 키워드와 2차 수집된 키워드를 매칭하여 추출된 키워드를 기준으로 셀러 상품의 노출빈도 및 순위(검색랭킹)를 트랙킹할 수 있다.

셀러 상품의 추출 키워드를 기준으로 노출빈도, 검색순위를 일정 기준으로 정량화하여, 판매자가 셀러 상품에 설정하지 않은 키워드를 도출하여 판매자에게 상품별 최적화 키워드로 제공할 수 있다. 이 경우 검색 키워드별로 노출되고 있는 상품의 랭킹(판매자 상품 키워드별 검색랭킹) 추이를 제공할 수도 있다.

판매자는 추천된 노출 최적화 키워드를 상품명, 상세설명, 태그 등에 추가, 수정하면 검색되는 노출 키워드가 증가하고 순위가 상승할 수 있다. 본 실시예에서 고객 채널 모듈(130)은 추천된 노출 최적화 키워드에 대해 자동으로 상품명, 상세설명, 태그 중 하나 이상에 추가, 수정할 수 있다.

도 7을 참조하면, 오픈마켓 빅데이터 기반 AI 키워드 추천 방법에 대해 설명하기로 한다. 상기 방법은 학습 분석부(123)와 키워드 추천부(131)에서 수행될 수 있다.

오픈마켓 빅데이터 기반 AI 키워드 추천 솔루션을 이용하기 위해 고객 등록된 서비스 이용자들이 셀러 상품에 관해 매칭한 키워드(태그 키워드)를 수집한다(단계 S200). 또한, 상품명과 카테고리를 조합한 조합 키워드도 기준 메타태그로 포함될 수 있다.

각 기준 메타태그에 대해서는 포털 사이트 및/또는 쇼핑몰 사이트에서 제공하는 연관 검색어, 자동완성 검색어, 쇼핑연관 검색어를 활용하여 확장 키워드가 도출될 수 있다.

제품 카테고리별 상품명/태그 키워드와, 키워드별 검색 상품명/태그 키워드 중 상위 노출되고 있는, 즉 많이 사용된 상품 태그를 수집하여 연관 키워드로 포함시킬 수 있다.

또한, 관련 상품의 태그 키워드에서 검색 노출되고 있는 현재 제품의 키워드를 관련 제품 연관 키워드로 포함시킬 수도 있다.

이러한 각종 키워드들은 셀러 상품의 카테고리와 연관성 없는 키워드를 제거하거나 중복을 제거하는 등의 필터링이 수행될 수 있다.

수집한 키워드를 포함하는 키워드 모집단을 이용하여 오픈마켓에서 검색 수행한 결과를 분석한다(단계 S210).

분석 결과 셀러 제품이 높은 랭킹을 나타내는 추천 키워드를 선별하여 서비스 이용자에게 추천한다(단계 S220).

단계 S220에서 키워드 선별 시 해당 셀러의 판매제품이 아닌 타 셀러의 유사 판매제품이 높은 랭킹을 나타내는 키워드를 선별하여 해당 셀러에게 추천할 수도 있다.

추천 키워드 산정 기준은 다음과 같다. 이하에서 각 수치는 예시적인 것으로, 필요에 따라 변경될 수 있다.

10개 키워드별 3% 가산 기준으로 검색 노출 여부에 따라 최대 30%를 부여할 수 있다. 태그 키워드 10개 중 순위가 노출되는 키워드 당 3%를 가산한다. 10개 모두 노출이면 30%일 수 있다.

10개 키워드별 3% 가산 기준으로 랭킹에 따라 최대 30%를 부여할 수 있다. 노출되는 키워드 중 랭킹이 지정된 순위권 이내(예컨대, 1, 2P)로 노출되고 있으면 해당되는 것으로 본다. 해당 키워드 당 3%씩 가산할 수 있다. 그리고 노출수, 클릭수에 따라 20% 범위 내에서 가산할 수 있다. 상품당 100~200 클릭수(유입수)면 10%, 201 클릭수(유입수) 이상이면 15%으로 가산한다. 상품당 5000 노출수 이상이면 5%, 미만이면 0%로 가산한다.

그리고 주문건수에 따라 20% 범위 내에서 가산할 수 있다. 상품당 주문수량이 10~20건이면 10%, 10건 미만은 0%, 21건 이상이면 20%를 부여한다.

위 조건을 모두 만족하면 100%가 되며, %가 높을수록 상품별 키워드 최적화율이 높은 것으로 볼 수 있다. 각 항목의 수치 기준은 일일 데이터로 전일 데이터일 수 있다.

데이터마이닝부(121)에서의 데이터마이닝 시 연관성 분석(Association Analysis) 방법이 적용될 수 있다. 연관성 분석은 거래나 사건을 포함하는 일련의 데이터로부터 연관 규칙을 발견하고 둘 이상의 품목들 간의 상호 연관성을 산출하는 것이다.

이를 위해 연관 규칙 분석을 수행하며, 서로 다른 두 항목 집합이 얼마나 빈번히 발생하는지(연관도)를 도출할 수 있다.

연관 규칙 탐색을 위한 트랜잭션(Transaction) 데이터가 있고, 최소 지지도(Minimum Support)를 설정해 줄 수 있다.

도 8의 (a)에 도시된 것과 같이, 트랜잭션 데이터가 주어지고, 최소 지지도가 3으로 설정된 경우를 가정한다.

쇼핑몰의 구매 데이터를 가정하면, {1,2,3,4}는 1번 항목, 2번 항목, 3번 항목, 4번 항목이 같이 구매되었고, 이를 하나의 항목 집합(itemset)으로 볼 수 있다.

우선 위 트랜잭션에서 제1 빈번 항목 집합을 찾는다. 도 8의 (b)를 참조하면, 각각의 항목들이 3번, 6번, 4번, 5번만큼 구매가 되었고, 모두 최소 지지도 4이상이기 때문에 제1 빈번 항목 집합에 포함될 수 있다.

다음으로 제1 빈번 항목 집합을 기반으로 제2 빈번 항목 집합을 구한다. 이 경우 자가 결합(self-join)과 프루닝(pruning) 과정을 수행할 수 있다.

자가 결합 과정은 {1}, {2}, {3}, {4} 항목을 바탕으로 생성될 수 있는 길이가 2인 모든 후보를 만드는 과정이다. {1,2}, {1,3}, {1,4}, {2,3}, {2,4}, {3,4}가 생성될 수 있다.

이렇게 생성된 후보를 대상으로 프루닝을 하는데, 프루닝 대상은 후보들 중 항목 집합의 항목 중 제1 빈번 항목 집합에 없는 항목이 있으면 프루닝할 대상이 될 수 있다.

{1,2}, {1,3}, {1,4}, {2,3}, {2,4}, {3,4}의 각 항목 집합의 항목들은 모두 제1 빈번 항목 집합에 포함되므로, 여기서는 프루닝된 후보가 없다.

자가 결합 및 프루닝 과정을 거친 후보들을 대상으로 카운트한다(도 8의 (c) 참조). 카운트된 값이 최소지지도 4보다 큰 항목 집합들로 제2 빈번 항목 집합을 구한다. 즉, {1.2}, {2,3}, {2,4}, {3,4} 항목 집합들이 제2 빈번 항목 집합이 된다. {1,3}, {1,4}는 다음 단계의 빈번 항목 집합 분석에 있어 더 이상 이용되지 않는다. 이는 하나의 항목집합이 비빈번(infrequent)하다면, 그 항목을 포함한 모든 집합 또한 비빈번하기 때문이다.

다음으로 제2 빈번 항목 집합을 기반으로 제3 빈번 항목 집합을 구한다. 이는 제2 빈번 항목 집합을 구할 때와 유사하다. 제2 빈번 항목 집합을 대상으로 자가 결합과 프루닝을 수행한다.

자가 결합 : {1,2}, {2,3}, {2,4}, {3,4}

--> {1,2,3}, {1,2,4}, {1,3,4}, {2,3,4}

프루닝 : {1,2,3}, {1,2,4}, {1,3,4}, {2,3,4}의 부분집합이 {1,2}, {1,3}, {2,3}인데 제2 빈번 항목 집합에 {1,3}이 존재하지 않으므로 {1,2,3}은 프루닝된다. {1,2,4}, {1,3,4}도 마찬가지로 원리로 프루닝된다.

길이가 3인 후보 {2,3,4}를 대상으로 트랜잭션 데이터베이스를 스캔하며, 카운트한다(도 8의 (d) 참조).

카운트된 값이 최소지지도 4보다 큰 항목 집합들로 제3 빈번 항목 집합을 구해야 하지만, 최소지지도를 만족하는 더 이상의 항목 집합이 없기 때문에 종료될 수 있다.

트랜잭션 데이터베이스를 스캔하면서 제1 빈번 항목 집합을 구한다.

제k 빈번 항목 집합을 대상으로 제(k+1) 빈번 항목 집합을 구한다. 이 과정에서 자가 결합과 프루닝을 통해 후보를 구하고, 트랜잭션 데이터베이스를 스캔하면서 최소지지도 조건을 만족하는 후보만을 도출한다.

더 이상 제(k+1) 빈번 항목 집합이 만들어지지 않을 때까지 전술한 과정을 반복한다.

이를 통해 항목들 간에 빈번하게 그룹핑되는 정도가 도출되면, 각 항목들 간의 연관도를 산출할 수 있다. 이는 지지도(support), 신뢰도(confidence), 향상도(lift)를 통해 연관도를 확인할 수 있다.

Support = frq(X, Y) / N

Confidence = frq(X, Y) / frq(X)

Lift = Support / (Supp(X) x Supp(Y))

여기서, frq(X, Y)는 항목 X와 항목 Y가 전체 데이터베이스에서 함께 나온 횟수이고, frq(X)는 항목 X가 전체 데이터베이스에서 나온 횟수이며, frq(Y)는 항목 Y가 전체 데이터베이스에서 나온 횟수이며, Supp(X), Supp(Y) 각각은 항목 X, 항목 Y가 나올 확률이다.

이 경우 도 8의 (a)에 도시된 트랜잭션 데이터베이스에서 1번 항목에서 2번 항목으로의 연관도(Rule : {1} -> {2})를 구하면, 다음과 같다.

지지도 : 1과 2가 전체 데이터베이스에서 함께 나올 확률 :: 3/7

신뢰도 : 1이 나왔을 때, 2가 나올 확률 :: 3/3

향상도 : 1, 2 항목 간의 독립을 가정하였을 때, P(A, B) / P(A)*P(B) :: 7/6

데이터마이닝부(121)는 이처럼 산출된 연관도를 통해 높은 연관성을 갖는 키워드를 수집할 수 있을 것이다.

이하에서는 키워드 추천 알고리즘에 대해 발명의 이해와 설명의 편의를 위해 도면과 예시를 들어 설명하기로 한다.

현재 셀러 상품이 다음과 같은 카테고리, 상품명, 태그가 설정되어 있을 수 있다(도 9 참조).

카테고리 : 패션의류 > 여성의류 > 코트

상품명 : [SALE] 겨울 슬림 여성 모직코드 (당일배송)

태그 : #모직코드 #겨울여자코트 #여성코크 #여자코트 #여자모직코트 #여자슬림코트 #겨울코트 #키작은여자코트 #여자겨울코트

이 경우 단계 1에서 상품명 안에 카테고리 명과 동일 문자가 있는지 확인한다. 있는 경우에만 상품명만을 기본 태그(키워드)로 하고 없는 경우에는 상품명 + 카테고리명을 기본 태그로 한다.

단계 2에서 포털 사이트(예. 네이버)에서 자동완성, 연관검색어, 대표카테고리에서 연관검색어를 찾는다.

단계 3에서 검색어와 상품명을 이용하여 각 제품 대표카테고리에서 출력되는 상품목록의 상위 5개 태그정보를 수집한다. 또한, 검색어와 상품명을 이용하여 각 제품 상세카테고리에서 출력되는 상품목록의 상위 5개 태그정보를 수집한다. 이 경우 아이템태그 정보가 있는 것으로 상위 5개 상품을 선정할 수 있다(도 10 참조).

단계 4에서 등록 상품이미지를 이용하여 이미지 인지부(122)를 통해 혹은 외부 이미지 인지 장치(예. 구글)의 API를 통해 이미지 분석 정보를 취합한다(도 11 참조).

단계 5에서 동일 태그(키워드)를 제거한다.

단계 6에서 각 키워드 별 조건 검색 결과에서 태그를 발췌한다. 이 경우 오픈마켓에서 제공하는 API를 활용할 수 있다. 예컨대, 네이버 쇼핑 API의 경우에는 https://developers.naver.com/docs/search/shopping/ 와 같다.

단계 7에서 최종 도출된 최종 태그(키워드)를 이용하여, 오픈마켓의 해당 상품에 대한 키워드의 우선순위를 결정한다.

다시 도 1을 참조하면, 주문현황 관리 유닛(12)은 셀러 상품에 대한 재고 관리 및 주문 관리를 제공할 수 있다. 주문현황 대쉬보드를 통해 주문 대기 중인 상품 고객별 대기현황과 상품별 주문통계를 제공할 수 있다.

도 12 및 도 13은 주문현황 대쉬보드의 예시도이다. 도 12를 참조하면, 셀러의 현재 판매 상품에 관한 주문현황이 테이블 형태로 정리될 수 있다.

상품명, 주문대기수량/누적수량, 이번주 주문, 1주전 주문, 2주전 주문, 방문추이, 옵션 항목이 가로 방향으로 순차적으로 나열될 수 있다.

예를 들면, 주문현황 대쉬보드에는 현재 판매상품의 상태가 '판매중'인 경우, 그리고 주문대기수량/누적수량이 1건 이상인 상품 리스트가 표시되게 할 수 있다.

도 13을 참조하면, 상품별 조회창이 펼쳐진 경우가 도시되어 있다. 상품명 혹은 좌측의 삼각형 아이콘 선택 시 해당 상품의 전체 주문리스트를 조회할 수 있다.

전체 주문리스트의 좌측에 표시되는 아이콘은 재구매, 중복구매, 복수구매, 배송지연, 3일경과 아이콘 중 하나 이상을 포함할 수 있다.

재구매 아이콘은 1차 구매 후, 다시 재방문하여 결제한 주문 건을 나타낸다. 중복구매 아이콘은 1차 구매 후, 동일한 상품을 재방문하여 결제한 주문 건을 나타낸다. 복수구매 아이콘은 1차 구매 시점에서 동일 상품을 2개 이상 구매한 주문 건을 나타낸다. 배송지연 아이콘은 AI 오픈마켓에서 배송준비 지연 건으로 분류 이동된 주문 건을 나타낸다. 3일경과 아이콘은 결제일로부터 4일차가 되는 시점부터 되는 주문 건을 나타낸다.

상품 추천 유닛(13)은 상품 카테고리별로 인기를 예측하여 AI 오픈마켓에서 카테고리별 사용자 선호 상품군(상품 카테고리별 인기예측 키워드 트렌드)을 추천할 수 있다. 그리고 신규상품 등록 시 단기간에 AI 오픈마켓에 최적화되는 상품군(키워드)도 함께 추천할 수 있다. 추천한 키워드 특징이 있는 상품 등록 시 노출율이 크게 높아질 수 있게 된다.

또한, 상품 추천 유닛(13)은 이용자가 경쟁사로 지정한 쇼핑몰의 상품을 모니터링/분석하여 상품별 검색 추이를 제공할 수도 있다.

그리고 이용자가 등록한 셀러 상품에 대한 최적화 이슈(순위 변동, 유입 변동 등) 리포트를 서비스 이용자에게 미리 지정된 방식으로 알려줄 수 있다(SMS 발송, 모바일 웹페이지 연계 등).

도 14를 참조하면, 상품 추천 유닛(13)에서 제공하는 상품 추천 화면이 도시되어 있다.

높은 랭킹을 나타내는 상품들에 관한 각종 정보가 수집되어 테이블 형태로 제공될 수 있다. 예를 들어, 상품명, 랭킹, 랭킹상승폭, 트렌드 적합도, 예상판매지수, 후기 평점 등록수, 판매처, 가격비교 판매처, 관심상품 여부 등의 정보가 순차적으로 나열될 수 있다.

[트렌드 상품] 항목 선택 시에는 일일 혹은 전체 키워드 조회가 가능할 수 있다. 경쟁사가 판매 중인 신상품 중 판매량이 상승 예상되는 상품을 분석하여, 트렌드 상품으로 추천할 수 있다.

[경쟁사] 항목은 셀러가 등록한 경쟁사 상품에 대하여 모니터링 및 분석을 통해 상품별 검색 추이에 관한 정보를 수집하여 테이블 형태로 보여줄 수 있다. 본 항목에서 상품 분석을 진행할 경쟁사의 추가, 삭제가 가능하다.

[관심상품] 항목이 선택되면, 관심상품으로 등록된 상품에 관하여 보다 상세한 정보가 테이블 형태로 제공될 수 있다.

우선 모니터링 중인 전체 키워드 중 순위가 가장 높은 키워드가 인기 키워드로 표시될 수 있다. 그리고 미리 설정된 기간 동안의 랭킹 순위 추이가 간략한 그래프로 표시될 수 있다. 그리고 각 상품에 대하여 구매후기를 전체 수집하여 전체등록수, 최근7일 등록수, 최초 후기 등록일, 후기 평점 등이 표기될 수 있다.

가격 관리 유닛(14)은 가격 비교가 등록된 셀러 상품에 대해 최저가 관리를 할 수 있다. 가격 비교로 묶인 상품 내에서 가격 비교 순위와 해제 상태, 최저가 가격 자동화를 지원할 수 있다.

검색 노출 최적화 유닛(11)에 의해 자동 설정된 셀러 상품의 키워드를 기준으로 각 키워드 순위를 추적하여 해당 셀러 상품의 검색 순위 혹은 가격 비교 순위를 제공함으로써, 키워드별 검색되는 셀러 상품의 위치를 추적할 수 있다.

도 15을 참조하면, 가격 관리 유닛(14)에서 제공하는 가격 관리 화면이 도시되어 있다.

가격 관리 화면에서는 셀러가 판매하는 상품들이 리스트화되어 표시될 수 있다. 각 상품들에 대해서 랭킹, 유입수, 추이, 가격비교등록일/비교상품교체일, 가격비교 대표사진, 후기관련정보(총 후기수, 최근7일 후기수, 최초등록일 등), 인기매장, 최저가 자동화 변경정보, 가격정보(판매가, 최저가, 변경일시 등) 등의 정보가 순차적으로 나열될 수 있다.

가격 비교 상품이 등록된 셀러 상품의 경우, 최저가 가격 자동화가 이루어질 수 있다. 디폴트 상태(가격 자동화 OFF)에서 클릭 이벤트가 발생한 경우, 경쟁사 최저가 변동 시 셀러 상품의 가격을 변동(예를 들어, 할인)시킬 수 있으며, 이 때 가격 변동 단위를 설정할 수 있다. 가격 변동을 시작한 경우 셀러 단말로 가격 비교 자동화가 시작되었음을 알리는 메시지가 발송될 수 있다.

가격 비교가 활성화된 상태(가격 자동화 ON)에서는 미리 지정된 시간(예를 들어, 30분) 단위로 가격 비교 상품들에 대한 가격 모니터링이 수행될 수 있다. 가격 모니터링 결과에 따라 셀러 상품의 최저가를 설정된 가격 변동 단위만큼 할인하여 등록시킬 수 있으며, 이 경우 셀러 단말로 가격비교 자동화 결과를 알리는 메시지가 발송될 수 있다.

또한, 최저가 자동화 변경정보를 나타내는 아이콘에 대한 클릭 이벤트가 발생한 경우, 경쟁사 최저가 변동에 따른 셀러 상품의 가격 변동 단위를 변경할 수도 있다.

본 실시예에서 오픈마켓 빅데이터 기반 AI 셀러 관리 방법은 컴퓨터에 의해 실행되는 애플리케이션이나 프로그램 모듈과 같은 컴퓨터에 의해 실행가능한 명령어를 포함하는 기록매체의 형태로도 구현될 수 있다. 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독 가능 매체는 컴퓨터 저장 매체를 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독 가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다.

전술한 방법은, 단말기에 기본적으로 설치된 애플리케이션(이는 단말기에 기본적으로 탑재된 플랫폼이나 운영체제 등에 포함된 프로그램을 포함할 수 있음)에 의해 실행될 수 있고, 사용자가 애플리케이션 스토어 서버, 애플리케이션 또는 해당 서비스와 관련된 웹 서버 등의 애플리케이션 제공 서버를 통해 마스터 단말기에 직접 설치한 애플리케이션(즉, 프로그램)에 의해 실행될 수도 있다. 이러한 의미에서, 전술한 방법은 단말기에 기본적으로 설치되거나 사용자에 의해 직접 설치된 애플리케이션(즉, 프로그램)으로 구현되고 단말기 등의 컴퓨터로 읽을 수 있는 기록매체에 기록될 수 있다.

상기에서는 본 발명의 실시예를 참조하여 설명하였지만, 해당 기술 분야에서 통상의 지식을 가진 자라면 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.

10 : 오픈마켓 빅데이터 기반 AI 셀러 관리 시스템
11: 검색 노출 최적화 유닛 12: 주문현황 관리 유닛
13: 상품 추천 유닛 14: 가격 관리 유닛
100: AI 키워드 추천 시스템
110: 빅데이터 수집 엔진 111: ESSD 서버
112: 데이터베이스 서버 113: 웹 서버
120: 빅데이터 분석 모듈
121: 데이터마이닝부 122: 이미지인지부
123: 학습 분석부 130: 고객 채널 모듈
131: 키워드 추천부 132: 트렌드 예측부
133: 상품 관리부

Claims (10)

1. 오픈마켓 빅데이터를 활용하여 인공지능(AI)에 따른 셀러를 관리하는 시스템으로서,
   오픈마켓 플랫폼에서 상품을 판매하는 셀러에 대해 상기 오픈마켓 빅데이터를 수집 및 분석하여 셀러 상품에 대한 노출 최적화 키워드를 추천하는 검색 노출 최적화 유닛;
   상기 셀러 상품에 대한 주문현황을 대쉬보드 형태로 관리하는 주문현황 관리 유닛;
   상기 오픈마켓 빅데이터의 수집 및 분석 결과에 기초하여 경쟁사 상품을 분석하고 트렌드 상품을 추천하는 상품 추천 유닛; 및
   상기 셀러 상품에 대해 등록된 가격 비교 상품에 상응하는 최저가 가격 자동화를 수행하는 가격 관리 유닛 중 하나 이상을 포함하는 오픈마켓 빅데이터 기반 AI 셀러 관리 시스템.
   
2. 제1항에 있어서,
   상기 가격 관리 유닛은 상기 가격 비교 상품의 최저가를 주기적으로 모니터링하고, 최저가가 변동된 경우 상기 셀러가 설정한 가격 변동 단위에 따라 상기 셀러 상품의 가격을 자동 변경시키는 것을 특징으로 하는 오픈마켓 빅데이터 기반 AI 셀러 관리 시스템.
   
3. 제1항에 있어서,
   상기 상품 추천 유닛은 상기 경쟁사 상품을 모니터링하고 경쟁사가 판매중인 신상품 중 판매량이 상승 예상되는 상품을 상기 트랜드 상품으로 추천하는 것을 특징으로 하는 오픈마켓 빅데이터 기반 AI 셀러 관리 시스템.
   
4. 제1항에 있어서,
   상기 검색 노출 최적화 유닛은 AI 키워드 추천 시스템을 포함하되,
   상기 AI 키워드 추천 시스템은,
   오픈마켓 플랫폼에서 쇼핑하는 고객에 대한 고객이동경로 상의 데이터를 수집하는 빅데이터 수집 엔진;
   상기 빅데이터 수집 엔진에 의해 수집된 데이터를 분석하여 셀러 상품별로 키워드 분석을 수행하는 빅데이터 분석 모듈; 및
   상기 키워드 분석 결과에 기초하여 셀러 상품별로 노출 최적화 키워드를 추천하는 고객 채널 모듈을 포함하고,
   상기 빅데이터 분석 모듈은, 연관성 규칙 발견 알고리즘에 따른 데이터마이닝을 통해 상기 데이터를 분석하는 데이터마이닝부; 및 상기 데이터마이닝부에서의 분석 결과에 기초하여 기계학습을 통해 상기 셀러 상품별로 키워드 분석을 수행하는 학습 분석부를 포함하며,
   상기 데이터마이닝부는 상기 데이터들이 저장된 트랜잭션 데이터베이스에 대해 최소 지지도를 설정하고, 상기 트랜잭션 데이터베이스를 스캔하면서 상기 최소 지지도 이상이 되는 항목들을 빈번 항목 집합으로 구하는 과정을 반복하여 연관도를 도출하는 것을 특징으로 하는 오픈마켓 빅데이터 기반 AI 셀러 관리 시스템.
   
5. 제4항에 있어서,
   상기 데이터마이닝부는 상기 트랜잭션 데이터베이스를 스캔하면서 길이가 1인 제1 빈번 항목 집합을 구하고, 제k 빈번 항목 집합을 대상으로 자가 결합과 프루닝 과정을 통해 길이가 k+1인 제(k+1) 빈번 항목 집합을 구하는 과정을 더 이상 제(k+1) 빈번 항목 집합이 만들어지지 않을 때까지 반복하여, 상기 연관도를 도출하는 것을 특징으로 하는 오픈마켓 빅데이터 기반 AI 셀러 관리 시스템.
   
6. 제5항에 있어서,
   상기 데이터마이닝부는 제1 내지 제k 빈번 항목 집합까지의 카운트 값에 기초하여 지지도, 신뢰도, 향상도 중 적어도 하나를 산출하여 상기 연관도를 도출하는 것을 특징으로 하는 오픈마켓 빅데이터 기반 AI 셀러 관리 시스템.
   
7. 제4항에 있어서,
   상기 빅데이터 분석 모듈은 셀러 상품에 관한 이미지를 분류하고 객체를 판독하며 상기 객체에 대한 키워드를 도출하는 이미지 인지부를 더 포함하되,
   상기 학습 분석부는 상기 이미지 인지부에서 도출한 키워드도 키워드 분석에 함께 활용하는 것을 특징으로 하는 오픈마켓 빅데이터 기반 AI 셀러 관리 시스템.
   
8. 제7항에 있어서,
   상기 학습 분석부는 상기 셀러 상품에 대해 매칭된 태그 키워드를 기준 메타태그로 수집하며,
   상기 기준 메타태그에 대해 연관 검색어, 자동완성 검색어, 쇼핑연관 검색어 중 적어도 하나를 확장 키워드로 도출하거나,
   상기 셀러 상품이 속하는 제품 카테고리에서 상위 노출되는 상품 태그를 연관 키워드로 포함하거나,
   관련 상품의 태그 키워드에서 검색 노출되고 있는 현재 제품의 키워드를 관련 제품 연관 키워드로 포함하는 것을 특징으로 하는 오픈마켓 빅데이터 기반 AI 셀러 관리 시스템.
   
9. 제4항에 있어서,
   상기 고객 채널 모듈은 상기 키워드 분석 결과에 기초하여 셀러 상품의 노출빈도 및 검색랭킹을 트랙킹하고, 상기 셀러 상품에 설정되지 않은 신규의 키워드를 도출하여 상기 노출 최적화 키워드로 추천하는 키워드 추천부를 포함하는 오픈마켓 빅데이터 기반 AI 셀러 관리 시스템.
   
10. 제9항에 있어서,
    상기 키워드 추천부는 상기 셀러 상품이 상대적으로 높은 검색랭킹을 나타내도록 추천 키워드를 선별하여 상기 셀러 상품에 대해 자동 반영시키는 것을 특징으로 하는 오픈마켓 빅데이터 기반 AI 셀러 관리 시스템.
    
    

Images